R u Ready? HS2025 | Psychologie der Digitalisierung - Einheit 12
Sandra Grinschgl, Aaron Friedli, Lars Schilling
R u Ready? Reproduzierbare Datenaufbereitung und -analyse mit R
HS 2025
LV-Leitung: Dr. Sandra Grinschgl / MSc. Aaron Friedli Tutor: BSc. Lars Schilling
12. Einheit, 03.12.2025
Heute:
Fragen zur R Hausübung 2??
Abgabe simulierte Datensätze
Auf ILIAS findet ihr Ordner mit eurem Namen. Diese sind nach dem PsychDS System strukturiert. In Raw findet ihr dann eure individuellen Datensätze
Abschlussarbeit / Leistungsnachweis
Simulierte Datensätze
Vorgehen: Eine Funktion simuliert Population(en) und zieht daraus zufällig Datenpunkte. Diese Zufälligkeit der Ziehung führt dazu, dass sich eure Datensätzeunterscheiden!
Dadurch ergeben sich Unterschiede in den Hypothesentests und deskriptiven Statistiken.
Aber: Die Ergebnisse werden sich dennoch in einer vergleichbaren Range voneinander bewegen.
Plausible Ergebnisse
Angenommen der Effekt der Intervention hat wirklich keine Auswirkung auf das Offloading Verhalten der Personen (H0 ist wahr).
✅H0 = Keine Gruppenunterschiede zwischen above und below gruppen.
❌H1 = Gruppen unterscheiden sich voneinander im Offlading Verhalten.
Hypothesentest: t-Test für unabhängige Stichproben (above vs. below)
Wie hoch ist die Wahrscheinlichkeit das wir trotzdem ein sigifikantes Ergebnis (Fehler 1. Art) erhalten?
t-Tests
Mittelwertvergleiche
Für unabhängige Stichproben: Testet, ob sich die Mittelwerte zweier unabhängiger Gruppen unterscheiden.
Für abhängige Stichproben: Testet, ob sich die Mittelwerte derselben Personen in zwei Bedingungen (z. B. Messwiederholung) unterscheiden.
Der Levene Test überprüft Varianzhomogenität! Varianzhomogenität bedeutet, dass alle Gruppen in einer Analyse ungeführ die gleiche Streuung aufweisen, bzw. ähnlich um ihren Mittelwert schwanken.
Levene's Test for Homogeneity of Variance (center = median)
Df F value Pr(>F)
group 1 2.8442 0.0947 .
104
---
Signif. codes: 0 '***' 0.001 '**' 0.01 '*' 0.05 '.' 0.1 ' ' 1
t-Test: Beispiel
t.test(pre4 ~ group_all, data = dat_full_below_above, var.equal =TRUE)
Two Sample t-test
data: pre4 by group_all
t = 7.9845, df = 104, p-value = 0.000000000001991
alternative hypothesis: true difference in means between group above and group below is not equal to 0
95 percent confidence interval:
20.25170 33.63509
sample estimates:
mean in group above mean in group below
59.66038 32.71698
effsize::cohen.d(pre4 ~ group_all, data = dat_full_below_above)
Cohen's d
d estimate: 1.551045 (large)
95 percent confidence interval:
lower upper
1.111706 1.990383
Grundlegende t-Test-Funktionen
Funktion
Beschreibung
t.test
Allgemeine Funktion für verschiedene t-Tests: Ein-Stichproben-, unabhängige und abhängige Stichproben.
t.test(av, mu = x)
Ein-Stichproben-t-Test. av = abhängige Variable, x = Vergleichswert der Population.
t.test(av ~ uv)
Welch-t-Test für unabhängige Stichproben. av = abhängige Variable, uv = Gruppenvariable (Ungleiche Varianzen erlaubt).
t.test(av ~ uv, var.equal = TRUE)
Klassischer t-Test für unabhängige Stichproben (Varianzgleichheit vorausgesetzt).
Paired t-Test, Varianzhomogenität und Effektgrössen
Funktion
Beschreibung
t.test(av1, av2, paired = TRUE)
t-Test für abhängige Stichproben (z. B. Prä–Post). av1 und av2 = Messzeitpunkte.
leveneTest(av, uv) *
Levene-Test auf Varianzhomogenität für unabhängige Gruppen. Aus dem car-Paket.
effsize::cohen.d() *
Berechnet Cohen’s d + Konfidenzintervall. Aus dem efffsize-Paket.
Heute haben wir…
… uns die simulierten Datensätze für die Abschlussarbeit angeschaut.
…Korrelationen, Regressionen und t-Tests gerechnet
